随着在线业务交互的增加和互联网的迅速发展,信任数据在推荐系统中得到了广泛的应用。信任数据可以提高推荐系统的预测精度,帮助用户找到相关信息。然而,一方面,用户很难获得自己想要的信任数据,因为大部分针对特定用户和任务的数据都是垃圾和噪声;另一方面,具有信任数据的大型推荐系统存在稀疏信任问题,严重影响了信任传播的可靠性,并且产生了等级膨胀问题。此外,冷启动和稀疏评估问题在淘宝和eBay等大型推荐系统中变得更加严重和频繁,这更加剧了信任的稀疏问题,也会导致推荐准确率的下降。本文总结并提出信任和稀疏信任概念、信任场模型和信任挖掘框架,为大型推荐系统的信任相关研究奠定了基础。在此基础上,提出了一种基于文本信任源的去稀疏信任模型。本文的去稀疏信任模型是基于文本信任源来完成建模过程的,它首先对文本评论进行预处理,将文本包含的多个句子进行分类;然后将各分类下的语义进行信任值计算,结合各分类所占信任权重映射出用户的特征向量,并根据特征向量计算用户相似度;最后根据信任传播机制,使用稀疏信任挖掘方法计算稀疏信任值,根据前期计算出的用户相似度判断稀疏信任值是否可靠,并对可靠的信任数据进行矩阵填充,达到去稀疏化的目的。本文设计了两种实验来证明我们的算法在稀疏信任数据上的去稀疏效果。我们针对去稀疏信任模型进行了横向对比实验。实验选取了多种不同的稀疏度的稀疏矩阵来验证去稀疏信任方法的稳定性、更新性和有效性。此外,我们还选取了三种不同的信任模型,在同一实验环境中分别运行三种不同真实数据集进行纵向对比实验,证明了本文方法的去稀疏能力优于其他方法。本文提出的去稀疏信任模型充分挖掘了用户文本评论中隐含的真实意图,可用于解决大数据环境下去稀疏信任问题。